Discussion :

[junior76]

Bonjour,

je suis à la recherche d'un algorithme ou d'une méthode qui me permette de détecter des doublons de photos dans une liste de photos en sachant que comme les Exif et IPTC on été changés, on ne peut pas se baser sur la taille de l'image.

Pour le moment, j'aimerais déjà traiter les images 100% identiques, ensuite, les images qui ont juste été pivotées et enfin, si c'est possible, les images qui ont retouchées, redimensionner, ...

Il existe un vieux soft qui fait ça -> mais il n'est vraiment pas ergonomique : pictagent.

Merci d'avance pour vos réponses.

A+

Junior76

[Sylvain Togni]

DupDetector fonctionne pas trop mal.

[mamelouk]

salut,

tu peut regarder du coté de l'indice Structural SIMilarity (SSIM), qui donne un pourcentage de ressemblance entre deux images. Après il comparer comparer chaque image à chaque autre, c'est donc factoriel! mais je ne vois pas comment faire autrement de toute facon

[ToTo13]

Bonjour,

pour les images 100% identiques, une comparaison pixel à pixel doit marcher :p.

Pour les autre, je me laisserai tenté par la signature polaire.
Selon le type d'image, les gradients et transformé de Hough devraient également fonctionné.

[junior76]

Merci pour vos réponse.

J'ai regardé au niveau du SSIM, j'ai trouvé ça : http://l3iexp.univ-lr.fr/madonne/pub...drier2005a.pdf
-> le pb, c'est qu'avec 10000 images ou plus on en finit plus.

Je n'ai rien trouvé sur la signature polaire ?? Kesako ?

La piste que j'ai : http://www.eisti.fr/~ga/download/TiPoly.pdf ne me mene pas bien lien pour la définition de l'algo.

A+

Junior76

[fumidu]

Tu ptet aussi voir au niveau de la distance de Hausdorff. C'est une méthode qui compare deux ensembles de points. C'est donc à effectuer sur les contours de tes images. Ca marche pas trop mal, ça repère des formes semblables sans qu'elles soient identiques, et il est possible d'ajouter le redimensionnement et l'orientation, mais c'est assez couteux en calcul.

[ToTo13]

Bonjour,

pour ce qui est signature polaire, regardes ces articles :
- A New Template Matching Method for Vertebrae Contours Detection in X-ray Images : de M. Benjelloun and H. Téllez and S. Mahmoudi en 2006 dans Visualization, Imaging, and Image Processing
- Classification des images ISAR pour la reconnaissance des cibles : de Abdelmalek Toumi and Brigitte Hoeltzener and Ali Khenchaf en 2006 dans XIIIème Rencontres de la Société Francophone de Classification (SFC)
- Contribution à l'élargissement du champ applicatif des asservissements visuels 2D : de Christophe Collewet en 1999 , thèse de doctorat
- Shape Descriptor using Polar Plot for Shape Recognition : de Brijesh Pillai.

bon courage...

[PulkoMandy]

Des choses simples peuvent plus ou moins fonctionner aussi, comme par exemple la couleur moyenne de tous les pixels.

[ToTo13]

Bonjour,

Des choses simples peuvent plus ou moins fonctionner aussi, comme par exemple la couleur moyenne de tous les pixels.

C'est très risqué comme méthode et pas vraiment fiable car c'est au moins sensible au bruit. Il faudrait que les images soient vraiment toute identiques.

[PulkoMandy]

On peut au moins arriver à faire un pré-tri rapide avant d'envoyer les 10000 photos dans un vrai algo... avec une marge de tolérance suffisnte sur les couleurs trouvées bien sur
Par contre ça risque de ne pas détecter deux images identiques si l'une est en couleurs et l'autre en niveaux de gris ...

[progfou]

Je pense, en quelques secondes de réflexion (par manque de temps je ne peux pas tester) à un détecteur de coins (Harris) associé à un test de texture.
J'explique :

1. Détecter les coins dans l'image I1 et dans l'image I2
2. Pour chaque image, construire la matrice de co-occurence de la zone "encadrant" ce coin (par exemple, un carré 11x11 de centre le coin)
3. Calculer le coefficient de corrélation sur ces zones (et la moyenne/variance)
4. Si la différence est minime pour tout les coins (à définir), alors elles sont identiques

Quelques précisions :
La matrice de co-occurence sur l'image complète serait bien trop complexe à calculer (déjà, là, c'est pas de la tarte), mais calculer le coefficient de corrélation à partir de là est assez simple (pourquoi on ne peut pas mettre du code LaTeX dans ce forum ^_^).
La condition évidente, est que le nombre de coin doit être le même dans les deux images. Ceci dit, si l'une des deux est très bruitée, on peut imaginer avoir un nombre différent, et à partir d'un bruit trop important, on n'y arrivera pas.
Je suppose donc (c'est mon a priori) que les images sont issues d'un appareil numérique, et sont visuellement identiques pour nous (l'application étant la suppression de doublons photos).
A partir de là, vérifier autour de ces coins que l'on a la même chose parait suffisant (eu égard à l'hypothèse ci-dessus).

Il faut tester, je n'ai pas le temps.
Ca me parait relativement peu coûteux, et assez robuste, à voir .